光子计数激光雷达具有高灵敏度、高时间分辨率等优势，为了实现在大量回波数据及强噪声环境下目标信息的高效提取，提出一种自适应时空关联深度估计算法。首先，根据回波数据中信号光子和噪声光子与发射激光脉宽的关系，利用回波光子在时域上的统计差异，自适应重构具有不同时间分辨率的直方图，并结合邻域像素数据之间的空间关联性，自适应调整时间窗口的大小，寻找信号光子所在的时间区间并提取相应的数据，显著降低后续处理的数据量；其次，基于所提取的回波光子数据，设置滑动窗口初步估计各像素的时间值；最后，通过自适应均值滤波得到各像素的飞行时间，解算相应的距离信息。相较于峰值法和Chen算法，在起伏地形探测的仿真实验中，当信号光子数约为14、噪声强度小于6 MHz时，重建的均方误差至少降低了20%；在室内静态目标成像实验中，当噪声强度在5.08 MHz范围内，所提算法进行目标重建的最大均方误差为0.017 。仿真及实验结果表明，所提算法对强噪声下起伏地形和室内静态目标探测的回波数据均具有较好的滤波效果。

基于2018年中国逐日PM_2.5数据，选用随机森林方法构建了高精度PM_2.5浓度估算模型，并在季节和区域尺度上验证了其时空适用性，进一步利用特征重要性方法系统阐释了各影响因子对PM_2.5浓度变化的重要程度，最后利用偏依赖技术探究了不同影响因素的交互作用对PM_2.5浓度变化产生的综合影响。结果表明：(1) 相比于多元线性回归与极端梯度提升树模型，利用多源数据构建的随机森林模型精度最高，可准确模拟出PM_2.5的浓度，且在季节和区域尺度上也有良好的适用性；(2) PM_2.5浓度估算模型的特征重要性排序分析发现，对2018年全国日均PM_2.5浓度影响显著的因子主要是时空、大气边界层高度等全局性因素，表明大气污染防治应把握PM_2.5传输机制，强化区域联防联控；(3) 偏依赖交互效应研究发现温度和相对湿度以及年积日、纬度、温度和大气边界层高度的组合对PM_2.5浓度变化会产生显著影响，说明提升空气质量要从多因子协同治理的角度出发。

复杂空战背景下的抗红外诱饵干扰技术是红外空空导弹的核心技术之一。针对传统静态贝叶斯网络不能表达序列图像中特征变量在时序上动态变化关系，提出了一种符合人类视觉推理识别过程的时空关联推理网络抗干扰识别算法。首先，提出的时空关联推理网络在考虑特征空间约束关系的基础上，引入了特征变量时间约束的先验知识，建立表达特征时空关联的目标推理网络识别模型，从而增强了序列图像目标识别的稳定性；其次，通过仿真数据构建样本集，离线训练学习时空关联推理网络结构及特征跳转概率参数，确定概率推理网络识别离线模型；最后，依据测试数据，结合推理识别网络模型进行概率推理，实现对目标的识别分类。实验结果表明，在伴随红外诱饵干扰投放的条件下，基于时空关联推理网络的抗干扰识别率达到94%，比静态贝叶斯网络抗干扰识别算法高3%，有效提升了目标识别的稳定性。